脑卒中是一种突发性的脑血管堵塞或破裂的疾病。在我国成年人中,致死或致残的第一因素就是脑卒中。同时,脑卒中不仅具有较高的致死率以及致残率,而且容易反复发作。目前,在医学上,脑卒中的治疗方法主要用于脑卒中发生之后,治疗方法缺乏时效性,从而导致脑卒中治疗效果很不理想。对于脑卒中的防治,医学界普遍认为预防是脑卒中疾病最好的治疗措施。针对目前脑卒中疾病防治遇到的问题,本文提出了基于语音特征的脑卒中风险智能预测方法,该方法主要研究以下几个方面内容:(1)本文将语音特征作为脑卒中智能预测的特征集。在脑卒中发生前,患者最为明显的征兆就是说话不利索且比较困难,同时会伴有吐字不清等症状。本文通过获取脑卒中患者和正常人的语音,从原始语音数据中提取语音特征,在语音特征中,梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)特征能够很好地表征原始语音的语音特性。将MFCC语音特征作为脑卒中智能预测的特征集。(2)本文使用相关的数据预处理方法对语音特征进行预处理。在获取的MFCC语音特征中,本身会有很多问题,比如,MFCC语音特征会存在缺失值以及冗余特征等,本文使用合成少数类过采样技术(Synthetic Minority Oversampling Technique,SMOTE)、主成分分析法和中值替代法进行语音特征预处理去解决特征数据存在的问题。(3)本文对语音特征使用多种建模方法来对脑卒中风险进行智能预测。MFCC语音特征经过预处理后,先使用MFCC语音特征中的训练集对逻辑回归进行建模训练以及使用MFCC语音特征中的测试集评估模型的好坏,然后使用MFCC语音特征中的训练集对卷积神经网络进行建模训练以及使用MFCC语音特征中的测试集评估模型的好坏;最后使用卷积神经网络获取的深层语音特征的训练集对逻辑回归机进行建模训练以及使用深层语音特征的测试集评估模型的好坏。实验结果表明,在预测精度方面,使用逻辑回归建立预测模型,获得预测的精度为56%。使用卷积神经网络建立预测模型,获得预测的精度为80%。使用卷积神经网络加逻辑回归建立的联合预测模型,获得预测的精度为81%。